KI-Beratung Beta

Produktbild: Machine Learning for Semiconductor Materials
- 30%

Machine Learning for Semiconductor Materials

30% sparen

139,99 € UVP 202,20 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

22.08.2025

Abbildungen

80 SW-Abb., 2 SW-Fotos, 78 SW-Zeichn., 13 Tabellen

Herausgeber

Gupta Neeraj + weitere

Verlag

Taylor & Francis

Seitenzahl

226

Maße (L/B/H)

24/16,1/1,7 cm

Gewicht

508 g

Sprache

Englisch

ISBN

978-1-03-279688-8

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

22.08.2025

Abbildungen

80 SW-Abb., 2 SW-Fotos, 78 SW-Zeichn., 13 Tabellen

Herausgeber

Verlag

Taylor & Francis

Seitenzahl

226

Maße (L/B/H)

24/16,1/1,7 cm

Gewicht

508 g

Sprache

Englisch

ISBN

978-1-03-279688-8

EU-Ansprechpartner

Taylor & Francis Verlag GmbH
Kaufingerstraße 24
80331 München
DE
GPSR@taylorandfrancis.com

Herstelleradresse

Taylor & Francis Group
5 Howick Place
SW1P 1WG London
UK
GPSR@taylorandfrancis.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten Sie dafür eine Thalia Geschenkkarte.

Jetzt verkaufen
Jetzt verkaufen

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Machine Learning for Semiconductor Materials
  • 1. Semiconductor Materials: Current Applications and Limitations of Advanced Semiconductor Devices 2. Machine Learning: Introduction and Features 3. Fault Detection in Semiconductor Manufacturing: A Classification Analysis of the SECOM Dataset 4. Predictive Modelling for Yield Enhancement 5. Deep Learning for Image Classification in Semiconductor Inspection 6. Machine Learning for Semiconductor Devices 7. Numerical Simulation-Based Biosensing Performance Exploration of a Cylindrical BioFET Using Machine Learning 8. Semiconductor Materials for EV and Renewable Energy 9. Performance Comparison of Vertical TFET Using Triple Metal Gate Structures and Insights of Machine Learning Approach: A Comprehensive Study 10. Design and Performance Exploration of Macaroni Channel-Based Ge/Si Interfaced Nanowire FET for Analog and High-Frequency Applications Using Machine Learning